Biography

Noémie Jaquier ist Postdoktorandin und arbeitet mit Prof. Tamim Asfour am High Performance Humanoid Technologies Lab (H²T), Institut für Anthropomatik und Robotik, am Karlsruher Institut für Technologie (KIT).

Von 2016 bis 2020 war sie Doktorandin an der Ecole Polytechnique Fédérale de Lausanne (EPFL) in der Schweiz und arbeitete am Idiap Research Institute. Im Jahr 2019 absolvierte sie ein sechsmonatiges PhD-Sabbatical im Bosch Center for Artificial Intelligence (BCAI) in Deutschland. Sie erwarb einen Bachelor in Mikrotechnik (2014) und einen Master in Robotik und autonomen Systemen mit einem Nebenfach in Computational Neurosciences (2016) an der EPFL.
Noémies Forschung bringt eine neuartige Riemannsche Perspektive in das Lernen, die Optimierung und die Steuerung von Robotern ein, indem sie die Riemannsche Geometrie als induktive Verzerrung und als Theorie nutzt, um solide theoretische Garantien zu liefern. Sie erforscht dateneffiziente Methoden, die auf geometrischen Räumen aufbauen und die geometrischen Informationen nutzen, die in Roboterdaten natürlich vorkommen. Ihre Arbeit konzentriert sich auf das Erlernen von Fähigkeiten durch menschliche Demonstrationen und Anpassungstechniken mit Geometrie als Eckpfeiler. Sie umfasst verschiedene Anwendungen auf dem Gebiet der Robotermanipulation. 

Noémie erhielt den Preis für die beste Präsentation auf der Conference on Robot Learning 2019 und ihre Doktorarbeit wurde für den EPFL Asea Brown Boveri Ldt. Award.

___

English:

Noémie Jaquier is a postdoctoral researcher working with Prof. Tamim Asfour at the High Performance Humanoid Technologies Lab (H²T), Institute of Anthropomatics and Robotics, at the Karlsruhe Institute of Technology (KIT).

From 2016 to 2020, she was a PhD student at Ecole Polytechnique Fédérale de Lausanne (EPFL) in Switzerland, working at the Idiap Research Institute. In 2019, she completed a six-month PhD sabbatical at the Bosch Center for Artificial Intelligence (BCAI) in Germany. She obtained a Bachelor's degree in Microengineering (2014) and a Master's degree in Robotics and Autonomous Systems with a minor in Computational Neurosciences (2016) at EPFL.
Noémie's research brings a novel Riemannian perspective to robot learning, optimisation and control by using Riemannian geometry as an inductive bias and theory to provide solid theoretical guarantees. She explores data-efficient methods that build on geometric spaces and exploit the geometric information that naturally occurs in robot data. Her work focuses on skill learning through human demonstrations and adaptation techniques with geometry as the cornerstone. It includes various applications in the field of robot manipulation. 

Noémie received the best presentation award at the Conference on Robot Learning 2019 and her PhD thesis was selected for the EPFL Asea Brown Boveri Ldt. Award.

Research focus

Noémie's Forschung bringt eine neue Perspektive in das Roboterlernen ein, indem sie die Riemannsche Geometrie als induktiven Bias verwendet. Sie entwickelt dateneffiziente Algorithmen mit soliden Garantien, indem sie Geometrien nutzt, die in der Robotik natürlich vorkommen.

___

English:

Noémie's research brings a new perspective to robot learning by using Riemannian geometry as an inductive bias. She develops data-efficient algorithms with solid guarantees by using geometries that occur naturally in robotics.